Perancangan Sistem Pengontrolan Level Pada Steam Drum Waste Heat Boiler Berbasis Adaptive Network Fuzzy Inference System (ANFIS) | Yuliati | Widya Teknik 1 PB
Yuliati: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT ... 145
PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM
DRUM WASTE HEAT BOILER BERBASIS ADAPTIVE NETWORK
FUZZY INFERENCE SYSTEM (ANFIS)
Theresia Yuliati1)
E-mail: yulia@mail.wima.ac.id
ABSTRAK
Unit boiler sangatlah penting pada industri pupuk seperti di PT. Petrokimia Gresik, khususnya dalam
produksi steam. Kualitas steam yang dihasilkan steam sangat dipengaruhi oleh aliran gas buang panas yang
dihasilkan dari pembakaran di dalam turbin gas dan juga dipengaruhi oleh level dari drum itu sendiri. Untuk
bisa menghasilkan kualitas steam yang baik, maka berbagai parameter di dalamnya harus dapat dikontrol
dengan baik, mengingat karakteristik dinamiknya yang sering berubah menyesuaikan beban proses yang ada.
Salah satu komponen kontrol yang penting adalah High Pressure Steam Drum (HP drum). Parameter kontrol
yang harus dijaga dengan baik adalah level air pada steam drum.
Oleh karena itu dalam penelitian ini, dengan memperhatikan struktur agar tidak terlalu mengganggu
sistem yang telah ada, maka ditawarkan solusinya menggunakan kontrol adaptif yaitu dengan merancang suatu
sistem pengontrolan level pada steam drum waste heat boiler berbasis neuro fuzzy jenis Adaptive Neuro Fuzzy
Inference System (ANFIS).
Berdasarkan hasil simulasi dan pengujian, maka dapat diambil kesimpulan bahwa pemodelan sistem
berbasis pada neuro fuzzy dengan 3 masukan, 1 keluaran serta model dinamika invers plant pada HP steam
drum telah menunjukkan hasil yang cukup baik. Selain itu performansi pengontrol neuro fuzzy dalam kecepatan
beradaptasi dan kemampuan belajar cukup baik dalam mengejar set point .
Kata kunci : waste heat boiler, pengontrol level, ANFIS, performansi
PENDAHULUAN
Dalam upaya menghasilkan steam yang
diperlukan untuk industri proses khususnya di
PT. Petrokimia Gresik, maka waste heat boiler
(WHB) memegang peranan yang sangat
penting. Steam yang dihasilkan tersebut harus
memenuhi kualitas yang diinginkan, baik dalam
hal tekanan, suhu, kemurnian dan lain-lain.
Steam yang dihasilkan akan dimanfaatkan
untuk keperluan proses maupun untuk
menggerakkan mesin-mesin putar tenaga uap
(steam turbine). Kualitas steam yang kurang
bagus akan berpotensi merusak mesin-mesin
putar tersebut.
Sistem
boiler
merupakan
sistem
pembangkit uap panas (steam generator) yang
memanfaatkan energi perpindahan panas dari
hasil pembakaran untuk mengubah air menjadi
produk utama berupa steam. Dua jenis
pembangkit daya yaitu berupa turbin gas, dan
turbin steam atau dikenal sebagai Combined
Cycle (CC), maupun Combined Heat Power
(CHP) menghasilkan energi listrik dan panas.
Oleh sebab itu boiler dibedakan dalam dua tipe,
yaitu:
1. Boiler dengan pembakar (fired boiler) yang
digunakan pada sistem pembangkit daya
dengan turbin steam;
2. Boiler tanpa pembakar (unfired boiler atau
Heat Recovery Steam Generation/HRSG)
yang berfungsi sebagai penukar panas (heat
1)
exchanger) untuk mengubah gas panas dan
air menjadi steam. Prinsip kerja dari HRSG
sama dengan kondisi riil di PT. Petrokimia
Gresik yang di kondisi lapangan sering
dikenal sebagai Waste Heat Boiler (WHB).
Karakteristik serta sirkulasi operasi
kedua jenis boiler tersebut pada prinsipnya
sama yaitu menghasilkan steam dari air dengan
memanfaatkan energi panas. Keduanya
mempunyai kehandalan (reliability) operasi
serta perpindahan panas maksimum yang
memegang peranan penting, dan sifatnya kritis
terhadap perubahan suhu gas.
Salah satu parameter operasi boiler yang
harus dijaga dengan baik adalah level/
ketinggian permukaan air dalam HP drum.
Untuk boiler dengan kapasitas besar,
pengontrolan level steam drum dikenal dengan
istilah tiga (three) elemen dan satu (single)
elemen level control. Single element level
control akan difungsikan pada saat produksi
steam masih di bawah 30%, dan begitu lebih
besar daripada 30%, maka sistem kontrol level
secara otomatis pindah ke three elemen level
control. Pada single element, level semata-mata
dikontrol oleh level air pada steam drum,
sedang pada three element, di mana parameter
proses dikontrol adalah kombinasi dari level air
pada steam drum, laju aliran steam yang
dihasilkan, dan tekanan steam yang dihasilkan.
Staf Pengajar di Fakultas Teknik Jurusan Teknik Elektro Universitas Katolik Widya Mandala Surabaya
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
WHB merupakan tipe boiler yang
memanfaatkan aliran gas buang dari turbin gas
yang masih memiliki suhu tinggi. Sekitar 60%
dari 70% panas yang dihasilkan oleh
pembakaran di dalam turbin gas dimanfaatkan
kembali oleh WHB untuk membantu
menghasilkan steam.
Besar/kualitas steam yang dihasilkan baik
itu suhu, tekanan maupun laju aliran steam
sangat dipengaruhi oleh aliran gas buang panas
yang dihasilkan dari pembakaran di dalam
turbin gas. Di samping itu, steam yang
dihasilkan juga dipengaruhi oleh level dari
drum itu sendiri. Untuk bisa dihasilkan steam
dengan kualitas yang baik tersebut, maka
berbagai parameter di dalamnya harus dapat
dikontrol dengan baik, mengingat karakteristik
dinamiknya yang sering berubah menyesuaikan
beban proses yang ada. Salah satu komponen
kontrol yang penting adalah High Pressure
Steam Drum (HP Drum). Parameter kontrol
yang harus dijaga dengan baik adalah level air
pada steam drum tersebut yang harus selalu
dijaga pada ketinggian tertentu. Apabila terlalu
tinggi, maka steam akan basah sehingga
berpotensi merusak peralatan-peralatan yang
menggunakan steam tersebut, seperti steam
turbine dan lain-lainnya. Sebaliknya apabila
terlalu rendah, maka tube-tube dari boiler yang
bersangkutan akan menjadi over heated
sehingga umur boiler menjadi singkat.
Pada saat ini, sistem yang digunakan di
PT. Petrokimia Gresik menggunakan algoritma
klasik Proportional Integral Derivative (PID)
Control yang diimplementasikan pada sistem
kontrol terdistribusi yang tidak mempunyai
kemampuan
melakukan
auto
tuning.
Keberhasilan pemakaian algoritma tersebut
sangat tergantung seberapa baik hasil tuning
parameter
pengontrol,
yang
umumnya
dilakukan dengan metoda coba-coba (trial
error).
Teknik pengontrol klasik P, PI, dan PID
telah menjadi basis dalam sistem kontrol yang
sederhana, dan implementasinya memang telah
begitu meluas dalam berbagai industri. Namun,
teknik pengontrol klasik ini tidak mampu
mengkompensasi perubahan parameter yang
terjadi di dalam plant, dan tidak dapat
beradaptasi terhadap perubahan lingkungannya,
di samping itu terdapat kendala pada tuning
parameter-parameter pengontrolnya yang masih
manual, sehingga sangat tergantung dari
pengetahuan, dan pengalaman operator serta
masih sedikitnya penggunaan pengontrol yang
well tuned. Di lain pihak, dalam teknik kontrol
146
konvensional, model matematika plant, dan
tuning parameter pengontrol harus ditentukan
sebelum mengimplementasikan pengontrolnya.
Oleh sebab itu dalam penelitian ini,
dengan memperhatikan struktur agar tidak
terlalu mengganggu sistem yang telah ada,
maka ditawarkan solusinya menggunakan
kontrol adaptif yaitu dengan merancang suatu
sistem pengontrolan level pada steam drum
waste heat boiler berbasis neuro fuzzy jenis
Adaptive Neuro Fuzzy Inference System
(ANFIS).
TINJAUAN PUSTAKA
Sistem Waste Heat Boiler
Produk utama unit proses boiler di PT.
Petrokimia Gresik yang berupa steam ini pada
proses selanjutnya dipakai pada unit proses
amonia, dan urea. Adapun skema sistem boiler
secara umum dapat disajikan pada Gambar 1 di
mana terdiri dari beberapa sub sistem yang
antara lain berhubungan dengan: air (feedwater,
drum), steam (drum, superheater), combustion
chamber, waterwalls (risers), reheater, dan
economizer. Hal ini berakibat terdapatnya
beberapa variabel yang berpengaruh secara
internal, dan hanya digunakan di dalam loop
kontrol lokal (misalnya: level air di drum, suhu,
dan tekanan steam boiler, serta tekanan udara di
ruang bakar (furnace).
Gambar 1. Skema Umum Sistem Boiler
Dari skema umum sebagaimana yang
disajikan pada Gambar 1 dapat dijelaskan
bahwa boiler feedwater dialirkan ke drum di
mana di dalam drum tersebut terjadi evaporasi
air. Air kemudian mengalir ke dalam
downcomers, dan masuk ke risers. Di dalam
risers panas dari pembakaran digunakan untuk
menaikkan suhu air yang berakibat akan terjadi
evaporasi dari air. Jadi sirkulasi air, steam, serta
Yuliati: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT ...
campuran air dan steam terjadi di dalam drum,
downcomers, dan risers. Steam yang dibuat di
dalam risers kemudian dipisahkan di dalam
drum dari steam yang mengalir melalui
superheater yang berasal dari HP turbine. Hal
ini kemudian di-recycle ke reboiler (terlebih
dahulu ke dalam reheater) di mana energinya
dinaikkan. Adapun desuperheating spray water
di dalam superheater digunakan untuk
mengontrol suhu steam. Risers menyerap panas
di dalam pembakaran. Perpindahan panas gas
hasil pembakaran dengan cara radiasi, dan
konveksi ke superheater. Kemudian panas
tersebut ditransfer dengan konveksi ke reheater,
dan akhirnya ke economiser sebelum ke luar
boiler melalui stack.
Sistem boiler yang ada di PT. Petrokimia
Gresik merupakan sistem boiler tipe Waste
Heat Boiler (WHB) yang memanfaatkan energi
panas gas buangan (exhaust gas) dari turbin
gas. Proses ini bertujuan untuk memanaskan
feedwater
pada
superheater,
sehingga
menghasilkan laju aliran steam. Diagram Proses
sistem WHB (berdasarkan Piping & Instrument
Diagram (P&ID) Exhaust Gas PT. PetrokimiaGresik No. 55012/6200) dapat dilihat pada
Gambar 2.
Gambar 2. Skema P&ID (Exhaust Gas Sistem
Waste Heat Boiler)
Pada kondisi operasi normal, aliran gas
buang akan dialihkan langsung menuju ke
WHB, namun ketika hanya turbin gas yang
beroperasi, maka katup pengalih (diverter) akan
mengalihkan gas buang tersebut menuju bypass stack untuk dibuang ke udara. Peran dari
pembakar (duct burner) sangat penting untuk
mempertahankan aliran panas dengan cara
mengatur suhu yang masuk ke boiler agar
kondisi steam yang diproduksi baik berupa
suhu, laju aliran, maupun tekanan dapat terjaga
pada kondisi tertentu. Selain gas buangan dari
turbin gas, masukan utama yang dikontrol ke
sistem boiler adalah air umpan boiler
(feedwater) disebut juga Boiler Feed Water
(BFW). BFW akan masuk ke sistem WHB
melalui pompa kondensat P2221A/B, dan
menuju ke Low Pressure drum (LP drum)
melalui deaerator. LP drum ini juga terhubung
dengan LP evaporator yang berperan untuk
menaikkan suhu air di dalam drum, sehingga air
menguap menjadi steam.
Proses sirkulasi antara LP drum, dan LP
evaporator akan berlangsung secara internal,
dan berulang sehingga steam yang dihasilkan
dari BFW di dalam deaerator akan menuju pada
suhu jenuhnya. Namun, ketika suhu jenuhnya
masih belum tercapai untuk menghasilkan
steam pada LP drum, maka diperlukan masukan
steam tambahan yang berasal dari High
Pressure drum (HP drum). Steam pada LP
drum yang telah mencapai titik jenuhnya akan
meninggalkan drum, dan dipompakan kembali
oleh pompa
BFW P2222 A/B menuju
economizer. Kondisi yang sama seperti pada LP
drum, maka HP drum ini juga terhubung
dengan High Pressure (HP) evaporator yang
mempunyai fungsi yang sama. Selanjutnya
steam pada HP drum ini akan menuju
superheater untuk terus dipanaskan, sehingga
mencapai suhu steam yang diinginkan, dan juga
menjadi keluaran dari sistem WHB selain aliran
dan tekanan steam.
Sebagai catatan bahwa suhu keluaran dari
steam akan dikontrol pada suhu acuan 460oC
dengan menginjeksi kembali ke superheater.
Berdasarkan referensi sistem manual operasi
WHB PT. Petrokimia Gresik[1], sistem WHB ini
terdiri dari beberapa sub sistem, yaitu
Superheater, Evaporator tekanan tinggi (High
Pressure Evaporator) dan Evaporator tekanan
rendah
(Low
Pressure
Evaporator),
Economizer,
Lower
Header,
LP/HP
Downcomers, Drum, Saluran pipa Ducting),
Ruang pembakar (Firing Room),
dan
Pembungkus Boiler (Casing).
Kondisi Operasi Sistem WHB
Loop proses kontrol sistem WHB
beroperasi pada dua kondisi baik secara manual
maupun otomatik. Secara manual apabila sinyal
kontrol tidak berasal dari kalkulasi pengontrol,
tetapi langsung berasal dari perintah operator di
lapangan. Loop proses ini dapat dianggap
sebagai suatu proses loop terbuka (open loop
system). Sebaliknya apabila operasi dilakukan
secara otomatis, maka sinyal kontrol yang
diberikan oleh pengontrol dirancang dengan
147
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
suatu unjuk kerja tertentu. Sebagian besar
pengontrol di lapangan pada sistem WHB
menggunakan pengontrol PID, dan merupakan
sistem kontrol loop tertutup (closed loop
system).
Selama beroperasi, agar steam bisa
dihasilkan dengan kualitas yang baik, maka
berbagai parameter di dalamnya harus dapat
dikontrol dengan baik, mengingat karakteristik
dinamiknya yang sering berubah menyesuaikan
beban proses yang ada. Salah satu komponen
kontrol yang penting adalah pengontrolan level
air pada High Pressure steam drum (HP drum)
yang harus tetap terjaga pada batas normalnya,
dan harus dipastikan bahwa level tersebut tidak
berada pada batas level terendah (minimum
30% level) daerah aman operasi. Hal ini untuk
menghindari terjadinya tube dari boiler yang
bersangkutan menjadi over heated sehingga
umur boiler menjadi lebih singkat.. Sebaliknya,
apabila level air terlalu tinggi (maksimum 80%
level), maka steam akan basah sehingga
berpotensi merusak peralatan-peralatan yang
menggunakan steam tersebut, seperti: steam
turbine dan sebagainya.
Kondisi aman lain yang harus tetap dijaga
adalah tekanan steam untuk mencegah
terjadinya hal-hal yang tidak diinginkan selama
proses berlangsung yang diakibatkan oleh
tekanan
maksimum.
Oleh
sebab
itu
perancangan sistem interlock sebagaimana
tertera pada Tabel 1 dilakukan untuk
mengantisipasi hal-hal yang tidak diinginkan
tersebut. Prosedurnya dilakukan secara bertahap
dimulai dari pengecekan, dan pengujian sistem
secara interval regulasi sampai dengan
dikeluarkannya indikasi tanda bahaya. Apabila
keadaan memburuk, dan membahayakan, maka
sistem otomatis akan shutdown. Dalam hal
boiler kondisi unhealthy (salah satu peralatan
pengaman boiler memberikan sinyal trip) dan
diverter tidak mau menutup, maka turbine gas
akan secara otomatis shut down.
Tabel 1. Perancangan Trip pada Sistem Pembakar,
Boiler, dan Turbin Gas
Boiler*
Pembakar
Terjadi Trip apabila:
Tekanan
steam Tekanan steam high
high
high high
Suhu steam high Suhu steam high high
high
Level pada LP drum
Level pada LP
low low (2x)
drum low low (2x) Level pada HP drum
low low (2x)
Level pada HP
drum low low (2x) Suhu ruang bakar high
high
Suhu ruang bakar
high high
Tekanan udara dari
kipas
bertekanan
rendah low low
Ket : * indikasi trip terjadi dan diikuti dengan
penutupan diverter valve
** indikasi trip terjadi diiukuti dengan tidak
menutupnya diverter valve dalam 60
detik
u (k ),..., u (k n b 1)
148
Model Neuro Fuzzy
Pada perancangan sistem kontrol berbasis
pada pemodelan sistem (model based control)
tentunya diperlukan suatu model yang bisa
merepresentasikan dinamika suatu proses.
Khusus untuk model yang mempunyai
karakteristik non linier, maka dalam
perancangan
sistem kontrolnya diperlukan
penentuan struktur modelnya terlebih dahulu,
dan biasanya struktur model dari proses tidak
diketahui. Oleh karena itu, diperlukan suatu
metode pendekatan dalam menentukan struktur
modelnya. Dalam hal ini akan dilakukan
pendekatan dengan menggunakan teknik
identifikasi sistem yang merupakan salah satu
dari sekian banyak metode pemodelan sistem
berdasarkan pada data masukan dan keluaran
proses (plant).
Pemodelan berbasis model Neuro fuzzy
Nonlinear Auto Regressive with eXogeneous
input (NARX) merupakan suatu model yang
menyatakan bagaimana hubungan antara
masukan keluaran sebelumnya dengan keluaran
prediksinya. Secara umum model NARX
dinyatakan dalam bentuk persamaan:
ym (k 1) F( y(k),...,y(k na 1),u(k),u(k nb 1)
(1)
y (k ),..., y (k na 1) dan
dengan:
berturut-turut adalah
keluaran dan masukan proses sebelumnya,
y m (k 1) merupakan keluaran prediksi proses,
n a , nb adalah dinamika order dari proses, dan
F adalah fungsi nonlinier.
Dengan demikian dalam hal ini,
pemilihan model dan penentuan parameter
model sangat mempengaruhi perhitungan
keluaran
prediksinya, dan pada tahap
selanjutnya berperan pada perancangan
pengontrolnya.
Metode
neuro
fuzzy,
merupakan
kolaborasi antara algoritma pembelajaran dari
Jaringan Syaraf Tiruan (JST) dengan teori
Logika Fuzzy. Algoritma JST digunakan untuk
menentukan parameter-parameter dari sistem
inferensi fuzzy. Selanjutnya, pada penelitian ini
Yuliati: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT ...
digunakan Adaptive Neuro Fuzzy Inference
System (ANFIS) yang merupakan suatu
arsitektur jaringan yang secara fungsional
ekuivalen dengan kaidah/aturan fuzzy tipe
Takagi Sugeno-Kang (TSK), dan basis fungsi
pada JST dengan algoritma pembelajaran
(learning) berdasarkan pada data pelatihan.
Kelebihan dari sistem fuzzy Sugeno adalah cara
perhitungan yang lebih sederhana, transparan,
dan efisien serta lebih memudahkan dalam
pekerjaan komputasi dibandingkan dengan
sistem fuzzy model Mamdani[2].
[2,3,4,5]
Arsitektur ANFIS
Adaptive Neuro Fuzzy Inference System
(ANFIS) adalah suatu jaringan adaptif berbasis
pada sistem inferensi fuzzy. Parameter ANFIS
terdiri dari dua bagian, yaitu parameter premise
(nonlinier), dan parameter konsekuen (linier)
yang dapat diadaptasikan dengan pembelajaran
hybrid yang menggabungkan dua metode
pembelajaran yaitu metode kuadrat terkecil
(least square estimator), dan metode penurunan
gradien (steepest descent). Dalam hal ini,
penentuan jumlah, tipe, dan parameter dari
fungsi keanggotaan (membership function)
beserta aturan-aturannya memegang peranan
yang sangat penting dalam mencapai
performansi yang diinginkan, namun seringkali
sulit untuk dilakukan. Bahkan selama ini, hanya
berdasarkan trial and error, padahal hal ini
yang sangat penting dalam tuning sistem fuzzy.
Model ANFIS dari fuzzy Sugeno
(sebagaimana disajikan pada Gambar 3) yang
diambil dari jaringan yang adaptif untuk
kerangka pembelajaran, dan adaptasi. Dengan
mempertimbangkan
kesederhanaan,
dan
kemudahan komputasi, maka sistem inferensi
fuzzy yang digunakan adalah sistem fuzzy model
TSK orde satu. Untuk arsitektur ANFIS,
misalkan model Sugeno orde satu dengan dua
masukan dengan dua aturan (rules) serta satu
keluaran dapat dinyatakan dalam bentuk:
Aturan I : Jika (x adalah A1 ) dan (y adalah B1 ),
maka ( f1 p1 x q1 y r1 )
Aturan II : Jika (x adalah A2 ) dan (y adalah
B2 ), maka ( f 2 p2 x q2 y r2 )
Secara umum, struktur jaringannya
mengadaptasi parameter nonlinier pada lapisan
1, dan parameter linier pada lapisan 4.
Keseluruhan arsitektur ANFIS mempunyai lima
lapisan dengan fungsi yang berbeda-beda. OLi
adalah simbol untuk keluaran dari node i dalam
lapisan L. Kelima lapisan pada arsitektur ANFIS
dapat dijelaskan sebagai berikut:
Gambar 3. (a). Mekanisme
Sistem
Inferensi
Fuzzy Model Sugeno
(b). Arsitektur ANFIS TSK orde satu
dengan dua masukan dan satu
keluaran[2]
Lapisan 1:
Semua node dalam lapisan ini adalah
adaptive nodes, i merupakan derajat
keanggotaan dari masukan terhadap fungsi
keanggotaan fuzzy (membership function = MF)
yang dinyatakan dalam node:
O1,i Ai ( x) i=1,2
(2)
O1,i Bi 2 ( y ) i=3,4
Ai , dan Bi merupakan himpunan fuzzy dalam
bentuk parameter. Misal MF adalah fungsi
generalized bell (gbell) dengan persamaan
1
Ai ( x)
, i=1,2
(3)
bi
x c 2
i
1
ai
dengan: ai , bi , dan ci merupakan parameter
dari MF. Semua nilai dari parameter-parameter
di lapisan ini akan berubah sesuai dengan
fungsi gbell yang dipilih sebagai fungsi
keanggotaan untuk setiap masukan himpunan
fuzzy-nya. Parameter di lapisan ini disebut
sebagai parameter premise.
Lapisan 2:
Node-node dalam lapisan ini merupakan
node tetap (tidak adaptif). Keluaran dari node
ini adalah:
O2,i wi Ai ( x) Bi ( y ) i=1,2
(4)
Keluaran dari setiap node dalam lapisan ini
menyatakan firing strength dari aturannya.
Lapisan 3:
Node-node dalam lapisan ini juga
merupakan fixed node. Node ini merupakan
normalisasi dari lapisan sebelumnya. Keluaran
dari lapisan ini dinyatakan dalam persamaan:
149
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
O3,i wi
wi
w1 w2
i=1,2
(5)
Lapisan 4:
Semua node dalam lapisan ini merupakan
adaptive node. Keluaran dari setiap node
merupakan perkalian dari normalisasi firing
strength-nya dengan polinomial orde satu:
O4,i wi fi wi pi x qi y ri ,i=1,2 (6)
dengan: pi , qi , dan ri merupakan parameter
linier atau parameter konsekuen dari aturan
fuzzy (consequent parameters).
Lapisan 5:
Lapisan ini hanya terdiri dari satu node.
Keluaran dari lapisan ini adalah:
wi f i
i=1,2
(7)
Oi ,5 f
wi f i i
wi
i
i
Adapun ringkasan keseluruhan tahap proses
pembelajaran hybrid dapat disajikan pada Tabel
2.
Tabel 2. Proses Pembelajaran Hybrid pada ANFIS
Keterangan
Arah maju
Arah mundur
Parameter
Tetap
Gradient
premis
descent
Parameter
Least Square
Tetap
konsekuen
Estimate
Sinyal
Keluaran
Sinyal error
node
Pengontrol Neuro Fuzzy[3,4]
Secara umum sistem kontrol time
invariant dapat dinyatakan dalam bentuk
persamaan :
x (t ) f ( x (t ), u (t )) (dinamic plant) (8)
(pengontrol)
u (t ) g ( x (t ))
Tujuan dari pengontrol adalah untuk
menentukan fungsi pengontrol g(.) sedemikian
sehingga state plant x(t) mengikuti sedekat
mungkin trayektori x d (t ) yang diinginkan.
Adapun blok diagram sistem kontrol umpan
balik sistem waktu diskrit dapat disajikan pada
Gambar 4 atau dapat dinyatakan dalam bentuk
persamaan:
(9)
x ( k 1) f ( x (k ), u (k )) (plant)
(pengontrol)
u ( k ) g ( x ( k ))
dengan:
x( k 1) dan x(k ) berturut-turut merupakan
keluaran state pada saat k 1 dan k dan
u (k ) sinyal kontrol pada k .
150
Permasalahan utama dalam merancang
sistem kontrol adalah menentukan aksi kontrol
u sebagai fungsi dari keluaran plant x untuk
mencapai set point yang diinginkan. Ada
beberapa metode perancangan pengontrol yang
berhubungan dengan pengontrol neuro fuzzy,
dan salah satu di antaranya yang digunakan
dalam penelitian ini adalah metode neuro fuzzy
dengan dinamika inverse sebagai pengontrol
(invers control).
Gambar 4. Blok Diagram Sistem Kontrol Umpan
Balik Sistem Waktu Diskrit
Tahap pembelajaran inverse plant untuk
merancang pengontrol berbasis neuro fuzzy
dilakukan dalam dua tahap secara bersamaan,
sehingga sesuai dengan metode adaptif kontrol
klasik. Tahap pertama merupakan tahap
pembelajaran, di mana teknik secara on line
maupun off line dilakukan untuk memodelkan
dinamika inverse dari plant. Selanjutnya, model
neuro fuzzy yang diperoleh merepresentasikan
dinamika inverse dari plant, kemudian
digunakan untuk membangkitkan aksi kontrol
dalam tahap aplikasi. Adapun blok diagram
untuk metode invers control ini dapat disajikan
pada Gambar 5. Misalkan plant berorde n dapat
dinyatakan dalam bentuk persamaan (9).
Misalkan dipilih pada state k 2 , maka
berlaku bahwa:
(10)
x( k 2) f ( x (k 1), u ( k 1))
f ( x ( k ), u ( k ), u (k 1))
Secara umum untuk plant berorde n
dinyatakan dalam bentuk:
x(k n) F ( x(k ),U )
dapat
(11)
(b)
Gambar 5. Blok Diagram Metode Inverse Kontrol
(a). Tahap Pembelajaran, (b). Tahap Aplikasi
Yuliati: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT ...
dengan: n adalah orde plant, F sebagai fungsi
komposit berulang, dan U merupakan aksi
kontrol pada k sampai dengan k n 1 .
Dengan asumsi bahwa plant bersifat dinamika
inverse, U dapat dinyatakan sebagai:
U G ( x(k ), x(k n))
(12)
dengan G merupakan dinamika inverse plant.
Proses pembelajaran neuro fuzzy menggunakan
3n data input x(k ) T , x(k 1) T sesuai data
pelatihan yaitu keluaran plant pada k dan k+1
sesuai data pelatihan dan n keluaran data U T
sesuai data pelatihan. Selanjutnya, selisih antara
aksi kontrol sebenarnya dengan aksi kontrol
prediksi digunakan untuk menala parameter
premis, dan konsekuen pada ANFIS sehingga
diperoleh nilai error yang minimum. Setelah
proses pembelajaran, maka kaidah aturan
berdasarkan sistem neuro fuzzy akan mengikuti
kaidah aturan model Takagi Sugeno Kang order
satu yaitu:
Jika x(k ) adalah A l dan x( k 1) adalah B l ,
maka u l a l x(k ) b l x(k 1) c l
dengan l 1,2,3,..., M ,
A l , B l merupakan
himpunan fuzzy, dan a l , b l , c l parameterparameter konsekuen. Jika pengontrol neuro
fuzzy sesuai dengan dinamika inverse G, maka
apabila diberikan masukan x (k ), dan set point
x d (k n) , pengontrol akan membangkitkan
Uˆ Gˆ x ( k ), x d ( k n)
aksi kontrol berupa:
(13)
Setelah langkah ke n, maka sekuens kontrol
akan membuat nilai keluaran plant x(k )
menyamai nilai set point x d (k n) yang telah
ditentukan.
METODE PENELITIAN
Pelaksanaan desain eksperimen ini
menyangkut industri proses yang sangat penting
di industri pupuk pada PT. Petrokimia Gresik
yang bertujuan meningkatkan performansi, dan
unjuk kerja dari proses Waste Heat Boiler
(WHB). Penelitian ini dilaksanakan dengan
pendekatan simulasi yang divalidasi oleh data
pengukuran nyata, dan tidak langsung
berhubungan dengan proses yang sedang
berjalan untuk menghindari resiko yang sangat
mahal, baik dari segi keamanan, keselamatan,
maupun biaya. Adapun pendekatan penelitian
yang dimaksud adalah:
1. Sebagai studi pendahuluan dalam penelitian
ini adalah telah dilakukan survei informasi
untuk memperoleh landasan teori dan
eksperimen baik melalui studi pustaka
maupun survei langsung ke lapangan.
Melalui studi pustaka ini akan diperoleh
informasi tentang mekanisme serta model
proses yang menjadi subyek penelitian,
yaitu steam drum waste heat boiler;
2. Perancangan eksperimen dan pengambilan
data sebagai awal rangkaian proses
identifikasi. Eksperimen, dan pengambilan
data dilakukan di sistem WHB selama
kurang lebih satu bulan. Langkah-langkah
persiapan yang telah dilakukan baik
persiapan bahan maupun instrumentasi
dalam penelitian ini adalah:
a. Kalibrasi empat buah instrument level,
suhu, aliran, dan tekanan sebagai
instrumentasi
penelitian
dalam
mendapatkan
variable-variabel
pengukuran yang diperlukan untuk
memperoleh data baik masukan
maupun gangguan terukur, dan tak
terukur yang mempengaruhi keluaran
system;
b. Melakukan simulasi gangguan operasi
boiler dengan bantuan operator pabrik
untuk mendapatkan data percobaan;
c. Pengambilan data sistem WHB yang
diambil secara langsung dari alat dan
software Plant Historical Data (PHD);
Pelaksanaan desain eksperimen di sistem
WHB PT. Petrokimia Gresik dilakukan
dengan
sangat
hati-hati
dengan
mempertimbangkan banyak faktor seperti:
keamanan (safety), keselamatan, biaya,
ketersediaan alat ukur di setiap variabel
pengukuran di plant, keterbatasan, dan
kendala pada daerah operasi pengukuran,
serta interaksi setiap variabel masukan, dan
gangguan yang akan mempengaruhi
variabel keluaran sistem. Hal ini
dimaksudkan agar data yang akan
digunakan memiliki hubungan secara
langsung baik masukan, maupun gangguan
terukur,
dan
tak
terukur
yang
mempengaruhi
keluaran
sistem.
Perancangan eksperimen juga dapat
menggambarkan bagaimana interaksi loop
kontrol secara riil di lapangan. Hal lain
yang harus diperhatikan dalam membangun
blok sistem ekperimen, dan pengambilan
data di plant adalah bagaimana hubungan
loop kontrol tersebut terhadap variabel–
variabel
dari
sistem
yang
akan
diidentifikasi. Sistem WHB di PT.
Petrokimia Gresik merupakan sistem
dengan siklus loop tertutup, di mana semua
151
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
3.
4.
5.
6.
proses dikontrol pada nilai yang telah
ditetapkan;
Membangun
model
sistem
WHB
berdasarkan data yang diperoleh baik dari
studi pustaka maupun dari data pengukuran
di lapangan melalui pendekatan model
NARX berbasis ANFIS;
Berdasarkan hasil pemodelan sistem yang
telah diperoleh, maka akan dirancang
sistem pengontrolan level air berbasis
ANFIS;
Eksperimen,
dan
simulasi
sistem
pengontrolan level yang telah dibangun
serta melakukan validasi dengan data
pengukuran di lapangan;
Analisis hasil eksperimen dan simulasi.
HASIL PENELITIAN DAN
PEMBAHASAN
Struktur Model ANFIS yang Digunakan
dalam Identifikasi Sistem
Istilah model dapat diartikan sebagai cara
untuk merepresentasikan hubungan dari
masing-masing variabel seperti: variabel
masukan (input), dan variabel keluaran (output)
dari suatu sistem. Hal ini dapat juga diartikan
sebagai cara untuk memprediksi keluaran dari
sistem sebenarnya dari informasi masukan
keluaran sebelumnya. Model dinamik sangat
penting dalam merepresentasikan suatu sistem
di mana eksperimen secara langsung sangatlah
mahal, berbahaya, sulit dilakukan, dan sering
menjadi tidak mungkin dikarenakan dapat
mengganggu jalannya operasi di lapangan. Oleh
sebab itu muncul setidaknya dua metode
pendekatan yang digunakan untuk membangun
model persamaan sistem dinamik, yaitu
pemodelan secara fisis/teoritis di mana
melibatkan penggunaan persamaan-persamaan
dasar: fisika, kimia, matematika, mekanika, dan
sebagainya
yang
seringkali
mengalami
kesulitan dalam hal kompleksitas, dan
keakuratan yang juga akan menyebabkan
kesulitan dalam hal perancangan. Pendekatan
yang kedua adalah pendekatan secara
eksperimental/identifikasi berdasarkan pada
data pengukuran untuk mendapatkan model
dinamik suatu sistem. Di samping itu, juga
digunakan untuk menjelaskan penentuan
struktur model dari pengumpulan data proses
secara empiris.
Seperti yang telah dijelaskan sebelumnya
bahwa model Nonlinear Auto Regressive with
eXogeneous input (NARX) seringkali digunakan
dalam banyak metode sistem identifikasi untuk
dinamika sistem non linier di mana bentuk
152
umumnya dapat dilihat pada persamaan (1).
Dilakukan pendekatan sistem multi input single
output (MISO) dalam memodelkan level di HP
drum di mana sebagai pengidentifikasi
(identifier) adalah konfigurasi dari tiga
masukan satu keluaran sistem sebagaimana
disajikan pada Gambar 6.
x1(k-1)
x2(k-1)
HP Steam
Drum
y(k)
y(k-1)
Gambar 6. Sistem MISO Dengan Tiga Masukan
Satu Keluaran
Variabel x1 , dan x2 merupakan variabel
masukan proses dari sistem HP drum masingmasing berupa flow BFW, dan steam product
flow. Variabel y (k ), dan y ( k 1) masingmasing merupakan variabel keluaran proses
berupa level water di HP drum pada saat k dan
k-1. Data-data variabel proses tersebut diambil
dari Plant Historical Data dari DCS di PT
Petrokimia Gresik di mana secara detil dapat
disajikan pada Tabel 3.
Tabel 3. Variabel Masukan dan Keluaran
Proses
Variabel
Tag
Keterangan
number
FC.22220
Flow BFW
x (k 1)
1
x2 (k 1)
y ( k 1)
FC.22221
Steam Product Flow
LC.22220
y (k )
LC.22220
Level air di HP
drum pada saat k-1
sebagai masukan
model
Level air di HP
drum pada saat k
sebagai keluaran
model
Berdasarkan hal tersebut di atas, maka
sebagai vektor masukan pengidentifikasi dari
keluaran model adalah:
x x1 (k 1), x 2 (k 1), y (k 1)
(14)
Pendekatan model Nonlinear Auto
Regressive with eXogeneous input (NARX)
dalam hal ini diasumsikan bahwa proses plant
berorde satu (n=1) dengan tidak ada estimasi
terhadap waktu tunda, sehingga model proses
dapat dinyatakan dalam bentuk persamaan
sebagai berikut:
Yuliati: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT ...
y ( k ) Fˆ y ( k 1), x1 ( k 1), x 2 ( k 1) e( k )
(15)
Adapun ANFIS sebagai estimator model
yang digunakan untuk pemodelan level air di
HP drum dapat disajikan pada Gambar 7.
g. Konstanta pembelajaran: 0,1;
h. Step size decrease rate: 0,9;
i. Step size increase rate : 1,1.
Hasil simulasi pemodelan dengan
menggunakan 500 data pertama sebagai data
pelatihan diperoleh bahwa keseluruhan struktur
model ANFIS dengan tiga masukan satu
keluaran sebagaimana disajikan pada Gambar 8
adalah bahwa jumlah node adalah 34, total
jumlah parameter adalah 50 terbagi dalam
parameter linier (konsekuen), dan non linier
(premis) berturut turut berjumlah 32, dan 18,
dengan banyaknya aturan fuzzy adalah 8.
Adapun hasil identifikasi disajikan pada
Gambar 9. Besarnya RMSE pada akhir tahap
pelatihan (epoch ke 50) adalah 0,0325.
Gambar 7. ANFIS Sebagai Estimator Model
Dari Gambar 7 dapat dilihat bahwa terdapat 3
masukan dan 1 keluaran pada model neuro
fuzzy, sehingga keseluruhan struktur model
yang digunakan dapat disajikan pada Gambar 8.
Gambar 9. Hasil Identifikasi Model Keluaran
ANFIS
Gambar 8. Struktur Model ANFIS Dengan Tiga
Masukan dan Satu Keluaran
Simulasi Pemodelan Sistem HP Steam Drum
Simulasi pemodelan (modelling) dengan
pendekatan ANFIS dimaksudkan untuk
menganalisis, dan mengevaluasi metode
pendekatan berbasis neuro fuzzy tipe TSK orde
satu. Beberapa parameter awal yang telah
ditentukan terlebih dahulu untuk prosedur
pemodelan berbasis neuro fuzzy antara lain:
a. Sistem inferensi fuzzy: TSK orde Satu;
b. Jumlah epoch: 50;
c. Jumlah fungsi keanggotaan setiap masukan
: 2;
d. Fungsi keanggotaan yang digunakan: gbell;
e. Jumlah data pelatihan: 500;
f. Jumlah data uji: 500;
Perancangan dan Simulasi Pengontrol Level
Pengontrol level merupakan salah satu
bagian loop kontrol dalam konfigurasi loop
kontrol boiler untuk menjaga level air pada
drum dengan cara mengontrol laju aliran boiler
feed water (BFW). Konfigurasi rancangan
pengontrol masih menggunakan skema seperti
yang sudah terpasang, yakni 3/1 element level
control, kecuali pengontrolnya menggunakan
pengontrol ANFIS.
Adapun blok diagram dari pengontrol
ANFIS dapat disajikan pada Gambar 10.
Gambar 10. Pengontrol ANFIS
153
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
Pada umumnya, sistem kontrol 3 elemen
konvensional untuk pelatihan, dan simulasi dari
pengontrol level air adalah seperti yang
disajikan pada Gambar 11, di mana skema
sistem kontrol yang digunakan adalah skema
feedforward untuk steam flow.
Tabel 4. Variabel Masukan dan Keluaran Model
Dinamika Invers
Variabel
Tag Number
Keterangan
LC22220.PV
% level HP steam
y(k )
drum
LC22220.PV
% level HP steam
y ( k 1)
drum (k-1)
FC22220.PV
Flow BFW (k)
x(k )
x1 ( k 1)
Gambar 11. Skema Umum Sistem Kontrol Tiga
Elemen
Dengan demikian, pengontrol neuro fuzzy
dengan metode invers learning control dengan
mengacu pada blok diagram pada Gambar 11
dapat disajikan pada Gambar 12.
Gambar 12. Proses Pembelajaran Sistem Neuro
Fuzzy Untuk Pemodelan Invers Dinamika dari Plant
Permasalahan utama dalam perancangan
pengontrol
neuro
fuzzy
adalah
akan
ditentukannya aksi kontrol u sebagai fungsi dari
keluaran plant x untuk mencapai set point yang
diinginkan. Dalam penelitian ini akan
digunakan metode neuro fuzzy dengan dinamika
inverse sebagai pengontrol (invers control).
Lebih lanjut, untuk membangun dan
mensimulasikan pengontrol level air berbasis
neuro fuzzy harus disesuaikan dengan loop
kontrol yang ada, sehingga dalam hal ini
terdapat 3 masukan, dan 1 keluaran dalam
invers model yang diberikan, dan dijelaskan
pada Gambar 13, dan Tabel 4.
Gambar 13. Pemodelan Invers Learning Control
(Tiga Variabel Masukan dan Satu Variabel
Keluaran)
154
FC22220.PV
Flow BFW (k+1)
Metode pemodelan yang digunakan
adalah metode ANFIS seperti pemodelan level
air pada HP steam drum dengan tiga masukan
dan satu keluaran pada struktur model ANFISnya. Beberapa parameter yang telah ditentukan
terlebih dahulu untuk prosedur invers model
dinamik berbasis neuro fuzzy antara lain:
a. Sistem inferensi fuzzy: TSK orde Satu;
b. Jumlah epoch: 50;
c. Jumlah fungsi keanggotaan setiap masukan
: 3;
d. Fungsi keanggotaan yang digunakan: gbell;
e. Jumlah data pelatihan: 500;
f. Jumlah data uji: 500;
g. Konstanta pembelajaran: 0,1;
h. Step size decrease rate: 0,9;
i. Step size increase rate : 1,1.
Hasil model dinamika invers sampai
dengan iterasi ke-50 berturut-turut dapat
disajikan pada Gambar 14.
Gambar 14. Hasil Model Dinamika Invers
Dari hasil model dinamika invers pada
Gambar 14 menunjukkan bahwa nilai RMSE
sampai dengan epoch ke-50 sebesar 0,1857
yang nilainya relatif kecil, sehingga model
dinamika invers dari plant dapat diterima
sebagai model invers untuk keperluan
perancangan pengontrol level air pada sistem
WHB.
Yuliati: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT ...
Hasil Simulasi dan Analisis
Berdasarkan pada proses pembelajaran
yang diimplementasikan secara off-line dari
pasangan data masukan, dan keluaran dari
plant, maka model dinamika invers dari plant
tersebut telah diperoleh. Tujuan dari pengontrol
dalam hal ini adalah agar dapat mengikuti set
point tracking, dan menyelidiki lebih lanjut
sifat-sifatnya apabila
terjadi
perubahan
dinamika plant. Simulasi dibedakan dalam dua
kondisi yaitu pada kedudukan set point level air
konstan sebesar 75% dengan waktu cacah 1
menit, serta pada saat set point diubah pada
kondisi dari 50 menuju 75%. Adapun blok
diagram aplikasi pengontrol neuro fuzzy dengan
dinamika invers plant disajikan pada Gambar
15.
Gambar 15. Pengontrol Neuro Fuzzy Dengan
Metode Dinamika Invers
Hasil Simulasi Pada Saat Tidak Terjadi
Perubahan Set Point
Hasil simulasi dengan menggunakan
algoritma kontrol ANFIS untuk kondisi set
point tetap pada kondisi 75% level air disajikan
pada Gambar 16.
Gambar 16. Hasil Simulasi Pada Set Point 75%
Konstan
Dari Gambar 16 dapat dianalisis bahwa
pengontrol ANFIS dapat bekerja dengan baik
apabila diberikan set point konstan yaitu pada
kondisi 75% level air. Hal ini disajikan pada
respons transiennya di mana overshoot yang
timbul tidak terlalu tinggi yaitu sekitar 13%
serta waktu untuk mencapai kondisi steady
state tidak terlalu panjang yaitu 7 menit.
Hasil Simulasi Apabila Terjadi Perubahan
Set Point
Hasil simulasi dengan menggunakan
algoritma kontrol ANFIS untuk kondisi set
point berubah dari 70 ke nilai 75% level air
disajikan pada Gambar 17.
Gambar 17. Hasil Simulasi Perubahan Set Point
dari 70 ke 75% Level Air
Berdasarkan hasil simulasi keluaran
sinyal kontrol ANFIS untuk 500 data pertama
yang disajikan pada Gambar 17, maka
pengontrol ANFIS dapat mengikuti perubahan
set point yang diberikan, walaupun masih
terdapat error di titik balik grafik. Hal ini
disebabkan karena kecepatan kemampuan
pembelajaran, dan adaptasi dari ANFIS. Oleh
karena sifatnya yang cepat belajar, dan adaptif,
maka adaptasi parameter ANFIS pun juga cepat
dalam mengejar set point yaitu sekitar 6 menit
dengan overshoot maksimum sebesar 7,7%.
Adaptasi parameter yang terus berubah dapat
dilihat dari dinamika sinyal kontrol dari
pengontrol ANFIS.
KESIMPULAN
Berdasarkan
hasil
penelitian
dan
pembahasan berkenaan dengan simulasi, dan
pengujian, maka dapat diambil kesimpulan
sebagai berikut:
1. Pemodelan sistem berbasis pada neuro
fuzzy dengan 3 masukan, 1 keluaran serta
model dinamika invers plant pada HP
steam drum dengan 3 masukan, 1 keluaran
telah menunjukkan hasil yang cukup baik.
Hal ini disajikan dari nilai RMSE masingmasing untuk setiap validasi model
berturut-turut sebesar 0,0487, dan 0,1857;
2. Performansi pengontrol neuro fuzzy dalam
kecepatan beradaptasi, dan kemampuan
belajar cukup baik dalam mengejar set
point. Hal ini disajikan dengan lamanya
waktu mengikuti set point pada dua kondisi
yaitu apabila set point tetap, dan apabila
terjadi perubahan set point, di mana waktu
155
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
untuk mencapai kondisi steady state-nya
berturut-turut sekitar 7 dan 6 menit dengan
maksimum overshoot berturut-turut sebesar
13, dan 7,7%.
DAFTAR PUSTAKA
[1] Standard Fasel Lantjes, Waste Heat Boiler,
Hlm. 1-20, PT. Petrokimia, Gresik, 1992
[2] Jang, J. S. R., Sun, C. T., dan Mizutani,
E., Neuro – Fuzzy and Soft Computing: A
Computational Approach to Learning and
Machine
Intelligent,
Prentice-Hall,
International Edition, New Jersey, 1997
[3] Jan, J. R. dan Sun, C. T., Neuro Fuzzy
Modelling and Control, Vol. 83, No. 3,
156
Hlm. 1-29, The Proceeding of the IEEE
International
Conference on Control
Application, 2005
[4] Nazaruddin, Y. Y., Joko W, dan
Hadisupadmo, S. A., Inverse Learning
Control Using Neuro Fuzzy Approach for a
Process
Mini
Plant,
International
Conference on Physics and Control,
Moskow, 2003
[5] Sudarto, Identifikasi Nonlinier Plant
Amoniak Menggunakan Metoda Neuro
Fuzzy dan Wavenet, Hlm. 3-50, Tesis
Magister, Institut Teknologi Bandung,
Bandung, 2004
PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM
DRUM WASTE HEAT BOILER BERBASIS ADAPTIVE NETWORK
FUZZY INFERENCE SYSTEM (ANFIS)
Theresia Yuliati1)
E-mail: yulia@mail.wima.ac.id
ABSTRAK
Unit boiler sangatlah penting pada industri pupuk seperti di PT. Petrokimia Gresik, khususnya dalam
produksi steam. Kualitas steam yang dihasilkan steam sangat dipengaruhi oleh aliran gas buang panas yang
dihasilkan dari pembakaran di dalam turbin gas dan juga dipengaruhi oleh level dari drum itu sendiri. Untuk
bisa menghasilkan kualitas steam yang baik, maka berbagai parameter di dalamnya harus dapat dikontrol
dengan baik, mengingat karakteristik dinamiknya yang sering berubah menyesuaikan beban proses yang ada.
Salah satu komponen kontrol yang penting adalah High Pressure Steam Drum (HP drum). Parameter kontrol
yang harus dijaga dengan baik adalah level air pada steam drum.
Oleh karena itu dalam penelitian ini, dengan memperhatikan struktur agar tidak terlalu mengganggu
sistem yang telah ada, maka ditawarkan solusinya menggunakan kontrol adaptif yaitu dengan merancang suatu
sistem pengontrolan level pada steam drum waste heat boiler berbasis neuro fuzzy jenis Adaptive Neuro Fuzzy
Inference System (ANFIS).
Berdasarkan hasil simulasi dan pengujian, maka dapat diambil kesimpulan bahwa pemodelan sistem
berbasis pada neuro fuzzy dengan 3 masukan, 1 keluaran serta model dinamika invers plant pada HP steam
drum telah menunjukkan hasil yang cukup baik. Selain itu performansi pengontrol neuro fuzzy dalam kecepatan
beradaptasi dan kemampuan belajar cukup baik dalam mengejar set point .
Kata kunci : waste heat boiler, pengontrol level, ANFIS, performansi
PENDAHULUAN
Dalam upaya menghasilkan steam yang
diperlukan untuk industri proses khususnya di
PT. Petrokimia Gresik, maka waste heat boiler
(WHB) memegang peranan yang sangat
penting. Steam yang dihasilkan tersebut harus
memenuhi kualitas yang diinginkan, baik dalam
hal tekanan, suhu, kemurnian dan lain-lain.
Steam yang dihasilkan akan dimanfaatkan
untuk keperluan proses maupun untuk
menggerakkan mesin-mesin putar tenaga uap
(steam turbine). Kualitas steam yang kurang
bagus akan berpotensi merusak mesin-mesin
putar tersebut.
Sistem
boiler
merupakan
sistem
pembangkit uap panas (steam generator) yang
memanfaatkan energi perpindahan panas dari
hasil pembakaran untuk mengubah air menjadi
produk utama berupa steam. Dua jenis
pembangkit daya yaitu berupa turbin gas, dan
turbin steam atau dikenal sebagai Combined
Cycle (CC), maupun Combined Heat Power
(CHP) menghasilkan energi listrik dan panas.
Oleh sebab itu boiler dibedakan dalam dua tipe,
yaitu:
1. Boiler dengan pembakar (fired boiler) yang
digunakan pada sistem pembangkit daya
dengan turbin steam;
2. Boiler tanpa pembakar (unfired boiler atau
Heat Recovery Steam Generation/HRSG)
yang berfungsi sebagai penukar panas (heat
1)
exchanger) untuk mengubah gas panas dan
air menjadi steam. Prinsip kerja dari HRSG
sama dengan kondisi riil di PT. Petrokimia
Gresik yang di kondisi lapangan sering
dikenal sebagai Waste Heat Boiler (WHB).
Karakteristik serta sirkulasi operasi
kedua jenis boiler tersebut pada prinsipnya
sama yaitu menghasilkan steam dari air dengan
memanfaatkan energi panas. Keduanya
mempunyai kehandalan (reliability) operasi
serta perpindahan panas maksimum yang
memegang peranan penting, dan sifatnya kritis
terhadap perubahan suhu gas.
Salah satu parameter operasi boiler yang
harus dijaga dengan baik adalah level/
ketinggian permukaan air dalam HP drum.
Untuk boiler dengan kapasitas besar,
pengontrolan level steam drum dikenal dengan
istilah tiga (three) elemen dan satu (single)
elemen level control. Single element level
control akan difungsikan pada saat produksi
steam masih di bawah 30%, dan begitu lebih
besar daripada 30%, maka sistem kontrol level
secara otomatis pindah ke three elemen level
control. Pada single element, level semata-mata
dikontrol oleh level air pada steam drum,
sedang pada three element, di mana parameter
proses dikontrol adalah kombinasi dari level air
pada steam drum, laju aliran steam yang
dihasilkan, dan tekanan steam yang dihasilkan.
Staf Pengajar di Fakultas Teknik Jurusan Teknik Elektro Universitas Katolik Widya Mandala Surabaya
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
WHB merupakan tipe boiler yang
memanfaatkan aliran gas buang dari turbin gas
yang masih memiliki suhu tinggi. Sekitar 60%
dari 70% panas yang dihasilkan oleh
pembakaran di dalam turbin gas dimanfaatkan
kembali oleh WHB untuk membantu
menghasilkan steam.
Besar/kualitas steam yang dihasilkan baik
itu suhu, tekanan maupun laju aliran steam
sangat dipengaruhi oleh aliran gas buang panas
yang dihasilkan dari pembakaran di dalam
turbin gas. Di samping itu, steam yang
dihasilkan juga dipengaruhi oleh level dari
drum itu sendiri. Untuk bisa dihasilkan steam
dengan kualitas yang baik tersebut, maka
berbagai parameter di dalamnya harus dapat
dikontrol dengan baik, mengingat karakteristik
dinamiknya yang sering berubah menyesuaikan
beban proses yang ada. Salah satu komponen
kontrol yang penting adalah High Pressure
Steam Drum (HP Drum). Parameter kontrol
yang harus dijaga dengan baik adalah level air
pada steam drum tersebut yang harus selalu
dijaga pada ketinggian tertentu. Apabila terlalu
tinggi, maka steam akan basah sehingga
berpotensi merusak peralatan-peralatan yang
menggunakan steam tersebut, seperti steam
turbine dan lain-lainnya. Sebaliknya apabila
terlalu rendah, maka tube-tube dari boiler yang
bersangkutan akan menjadi over heated
sehingga umur boiler menjadi singkat.
Pada saat ini, sistem yang digunakan di
PT. Petrokimia Gresik menggunakan algoritma
klasik Proportional Integral Derivative (PID)
Control yang diimplementasikan pada sistem
kontrol terdistribusi yang tidak mempunyai
kemampuan
melakukan
auto
tuning.
Keberhasilan pemakaian algoritma tersebut
sangat tergantung seberapa baik hasil tuning
parameter
pengontrol,
yang
umumnya
dilakukan dengan metoda coba-coba (trial
error).
Teknik pengontrol klasik P, PI, dan PID
telah menjadi basis dalam sistem kontrol yang
sederhana, dan implementasinya memang telah
begitu meluas dalam berbagai industri. Namun,
teknik pengontrol klasik ini tidak mampu
mengkompensasi perubahan parameter yang
terjadi di dalam plant, dan tidak dapat
beradaptasi terhadap perubahan lingkungannya,
di samping itu terdapat kendala pada tuning
parameter-parameter pengontrolnya yang masih
manual, sehingga sangat tergantung dari
pengetahuan, dan pengalaman operator serta
masih sedikitnya penggunaan pengontrol yang
well tuned. Di lain pihak, dalam teknik kontrol
146
konvensional, model matematika plant, dan
tuning parameter pengontrol harus ditentukan
sebelum mengimplementasikan pengontrolnya.
Oleh sebab itu dalam penelitian ini,
dengan memperhatikan struktur agar tidak
terlalu mengganggu sistem yang telah ada,
maka ditawarkan solusinya menggunakan
kontrol adaptif yaitu dengan merancang suatu
sistem pengontrolan level pada steam drum
waste heat boiler berbasis neuro fuzzy jenis
Adaptive Neuro Fuzzy Inference System
(ANFIS).
TINJAUAN PUSTAKA
Sistem Waste Heat Boiler
Produk utama unit proses boiler di PT.
Petrokimia Gresik yang berupa steam ini pada
proses selanjutnya dipakai pada unit proses
amonia, dan urea. Adapun skema sistem boiler
secara umum dapat disajikan pada Gambar 1 di
mana terdiri dari beberapa sub sistem yang
antara lain berhubungan dengan: air (feedwater,
drum), steam (drum, superheater), combustion
chamber, waterwalls (risers), reheater, dan
economizer. Hal ini berakibat terdapatnya
beberapa variabel yang berpengaruh secara
internal, dan hanya digunakan di dalam loop
kontrol lokal (misalnya: level air di drum, suhu,
dan tekanan steam boiler, serta tekanan udara di
ruang bakar (furnace).
Gambar 1. Skema Umum Sistem Boiler
Dari skema umum sebagaimana yang
disajikan pada Gambar 1 dapat dijelaskan
bahwa boiler feedwater dialirkan ke drum di
mana di dalam drum tersebut terjadi evaporasi
air. Air kemudian mengalir ke dalam
downcomers, dan masuk ke risers. Di dalam
risers panas dari pembakaran digunakan untuk
menaikkan suhu air yang berakibat akan terjadi
evaporasi dari air. Jadi sirkulasi air, steam, serta
Yuliati: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT ...
campuran air dan steam terjadi di dalam drum,
downcomers, dan risers. Steam yang dibuat di
dalam risers kemudian dipisahkan di dalam
drum dari steam yang mengalir melalui
superheater yang berasal dari HP turbine. Hal
ini kemudian di-recycle ke reboiler (terlebih
dahulu ke dalam reheater) di mana energinya
dinaikkan. Adapun desuperheating spray water
di dalam superheater digunakan untuk
mengontrol suhu steam. Risers menyerap panas
di dalam pembakaran. Perpindahan panas gas
hasil pembakaran dengan cara radiasi, dan
konveksi ke superheater. Kemudian panas
tersebut ditransfer dengan konveksi ke reheater,
dan akhirnya ke economiser sebelum ke luar
boiler melalui stack.
Sistem boiler yang ada di PT. Petrokimia
Gresik merupakan sistem boiler tipe Waste
Heat Boiler (WHB) yang memanfaatkan energi
panas gas buangan (exhaust gas) dari turbin
gas. Proses ini bertujuan untuk memanaskan
feedwater
pada
superheater,
sehingga
menghasilkan laju aliran steam. Diagram Proses
sistem WHB (berdasarkan Piping & Instrument
Diagram (P&ID) Exhaust Gas PT. PetrokimiaGresik No. 55012/6200) dapat dilihat pada
Gambar 2.
Gambar 2. Skema P&ID (Exhaust Gas Sistem
Waste Heat Boiler)
Pada kondisi operasi normal, aliran gas
buang akan dialihkan langsung menuju ke
WHB, namun ketika hanya turbin gas yang
beroperasi, maka katup pengalih (diverter) akan
mengalihkan gas buang tersebut menuju bypass stack untuk dibuang ke udara. Peran dari
pembakar (duct burner) sangat penting untuk
mempertahankan aliran panas dengan cara
mengatur suhu yang masuk ke boiler agar
kondisi steam yang diproduksi baik berupa
suhu, laju aliran, maupun tekanan dapat terjaga
pada kondisi tertentu. Selain gas buangan dari
turbin gas, masukan utama yang dikontrol ke
sistem boiler adalah air umpan boiler
(feedwater) disebut juga Boiler Feed Water
(BFW). BFW akan masuk ke sistem WHB
melalui pompa kondensat P2221A/B, dan
menuju ke Low Pressure drum (LP drum)
melalui deaerator. LP drum ini juga terhubung
dengan LP evaporator yang berperan untuk
menaikkan suhu air di dalam drum, sehingga air
menguap menjadi steam.
Proses sirkulasi antara LP drum, dan LP
evaporator akan berlangsung secara internal,
dan berulang sehingga steam yang dihasilkan
dari BFW di dalam deaerator akan menuju pada
suhu jenuhnya. Namun, ketika suhu jenuhnya
masih belum tercapai untuk menghasilkan
steam pada LP drum, maka diperlukan masukan
steam tambahan yang berasal dari High
Pressure drum (HP drum). Steam pada LP
drum yang telah mencapai titik jenuhnya akan
meninggalkan drum, dan dipompakan kembali
oleh pompa
BFW P2222 A/B menuju
economizer. Kondisi yang sama seperti pada LP
drum, maka HP drum ini juga terhubung
dengan High Pressure (HP) evaporator yang
mempunyai fungsi yang sama. Selanjutnya
steam pada HP drum ini akan menuju
superheater untuk terus dipanaskan, sehingga
mencapai suhu steam yang diinginkan, dan juga
menjadi keluaran dari sistem WHB selain aliran
dan tekanan steam.
Sebagai catatan bahwa suhu keluaran dari
steam akan dikontrol pada suhu acuan 460oC
dengan menginjeksi kembali ke superheater.
Berdasarkan referensi sistem manual operasi
WHB PT. Petrokimia Gresik[1], sistem WHB ini
terdiri dari beberapa sub sistem, yaitu
Superheater, Evaporator tekanan tinggi (High
Pressure Evaporator) dan Evaporator tekanan
rendah
(Low
Pressure
Evaporator),
Economizer,
Lower
Header,
LP/HP
Downcomers, Drum, Saluran pipa Ducting),
Ruang pembakar (Firing Room),
dan
Pembungkus Boiler (Casing).
Kondisi Operasi Sistem WHB
Loop proses kontrol sistem WHB
beroperasi pada dua kondisi baik secara manual
maupun otomatik. Secara manual apabila sinyal
kontrol tidak berasal dari kalkulasi pengontrol,
tetapi langsung berasal dari perintah operator di
lapangan. Loop proses ini dapat dianggap
sebagai suatu proses loop terbuka (open loop
system). Sebaliknya apabila operasi dilakukan
secara otomatis, maka sinyal kontrol yang
diberikan oleh pengontrol dirancang dengan
147
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
suatu unjuk kerja tertentu. Sebagian besar
pengontrol di lapangan pada sistem WHB
menggunakan pengontrol PID, dan merupakan
sistem kontrol loop tertutup (closed loop
system).
Selama beroperasi, agar steam bisa
dihasilkan dengan kualitas yang baik, maka
berbagai parameter di dalamnya harus dapat
dikontrol dengan baik, mengingat karakteristik
dinamiknya yang sering berubah menyesuaikan
beban proses yang ada. Salah satu komponen
kontrol yang penting adalah pengontrolan level
air pada High Pressure steam drum (HP drum)
yang harus tetap terjaga pada batas normalnya,
dan harus dipastikan bahwa level tersebut tidak
berada pada batas level terendah (minimum
30% level) daerah aman operasi. Hal ini untuk
menghindari terjadinya tube dari boiler yang
bersangkutan menjadi over heated sehingga
umur boiler menjadi lebih singkat.. Sebaliknya,
apabila level air terlalu tinggi (maksimum 80%
level), maka steam akan basah sehingga
berpotensi merusak peralatan-peralatan yang
menggunakan steam tersebut, seperti: steam
turbine dan sebagainya.
Kondisi aman lain yang harus tetap dijaga
adalah tekanan steam untuk mencegah
terjadinya hal-hal yang tidak diinginkan selama
proses berlangsung yang diakibatkan oleh
tekanan
maksimum.
Oleh
sebab
itu
perancangan sistem interlock sebagaimana
tertera pada Tabel 1 dilakukan untuk
mengantisipasi hal-hal yang tidak diinginkan
tersebut. Prosedurnya dilakukan secara bertahap
dimulai dari pengecekan, dan pengujian sistem
secara interval regulasi sampai dengan
dikeluarkannya indikasi tanda bahaya. Apabila
keadaan memburuk, dan membahayakan, maka
sistem otomatis akan shutdown. Dalam hal
boiler kondisi unhealthy (salah satu peralatan
pengaman boiler memberikan sinyal trip) dan
diverter tidak mau menutup, maka turbine gas
akan secara otomatis shut down.
Tabel 1. Perancangan Trip pada Sistem Pembakar,
Boiler, dan Turbin Gas
Boiler*
Pembakar
Terjadi Trip apabila:
Tekanan
steam Tekanan steam high
high
high high
Suhu steam high Suhu steam high high
high
Level pada LP drum
Level pada LP
low low (2x)
drum low low (2x) Level pada HP drum
low low (2x)
Level pada HP
drum low low (2x) Suhu ruang bakar high
high
Suhu ruang bakar
high high
Tekanan udara dari
kipas
bertekanan
rendah low low
Ket : * indikasi trip terjadi dan diikuti dengan
penutupan diverter valve
** indikasi trip terjadi diiukuti dengan tidak
menutupnya diverter valve dalam 60
detik
u (k ),..., u (k n b 1)
148
Model Neuro Fuzzy
Pada perancangan sistem kontrol berbasis
pada pemodelan sistem (model based control)
tentunya diperlukan suatu model yang bisa
merepresentasikan dinamika suatu proses.
Khusus untuk model yang mempunyai
karakteristik non linier, maka dalam
perancangan
sistem kontrolnya diperlukan
penentuan struktur modelnya terlebih dahulu,
dan biasanya struktur model dari proses tidak
diketahui. Oleh karena itu, diperlukan suatu
metode pendekatan dalam menentukan struktur
modelnya. Dalam hal ini akan dilakukan
pendekatan dengan menggunakan teknik
identifikasi sistem yang merupakan salah satu
dari sekian banyak metode pemodelan sistem
berdasarkan pada data masukan dan keluaran
proses (plant).
Pemodelan berbasis model Neuro fuzzy
Nonlinear Auto Regressive with eXogeneous
input (NARX) merupakan suatu model yang
menyatakan bagaimana hubungan antara
masukan keluaran sebelumnya dengan keluaran
prediksinya. Secara umum model NARX
dinyatakan dalam bentuk persamaan:
ym (k 1) F( y(k),...,y(k na 1),u(k),u(k nb 1)
(1)
y (k ),..., y (k na 1) dan
dengan:
berturut-turut adalah
keluaran dan masukan proses sebelumnya,
y m (k 1) merupakan keluaran prediksi proses,
n a , nb adalah dinamika order dari proses, dan
F adalah fungsi nonlinier.
Dengan demikian dalam hal ini,
pemilihan model dan penentuan parameter
model sangat mempengaruhi perhitungan
keluaran
prediksinya, dan pada tahap
selanjutnya berperan pada perancangan
pengontrolnya.
Metode
neuro
fuzzy,
merupakan
kolaborasi antara algoritma pembelajaran dari
Jaringan Syaraf Tiruan (JST) dengan teori
Logika Fuzzy. Algoritma JST digunakan untuk
menentukan parameter-parameter dari sistem
inferensi fuzzy. Selanjutnya, pada penelitian ini
Yuliati: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT ...
digunakan Adaptive Neuro Fuzzy Inference
System (ANFIS) yang merupakan suatu
arsitektur jaringan yang secara fungsional
ekuivalen dengan kaidah/aturan fuzzy tipe
Takagi Sugeno-Kang (TSK), dan basis fungsi
pada JST dengan algoritma pembelajaran
(learning) berdasarkan pada data pelatihan.
Kelebihan dari sistem fuzzy Sugeno adalah cara
perhitungan yang lebih sederhana, transparan,
dan efisien serta lebih memudahkan dalam
pekerjaan komputasi dibandingkan dengan
sistem fuzzy model Mamdani[2].
[2,3,4,5]
Arsitektur ANFIS
Adaptive Neuro Fuzzy Inference System
(ANFIS) adalah suatu jaringan adaptif berbasis
pada sistem inferensi fuzzy. Parameter ANFIS
terdiri dari dua bagian, yaitu parameter premise
(nonlinier), dan parameter konsekuen (linier)
yang dapat diadaptasikan dengan pembelajaran
hybrid yang menggabungkan dua metode
pembelajaran yaitu metode kuadrat terkecil
(least square estimator), dan metode penurunan
gradien (steepest descent). Dalam hal ini,
penentuan jumlah, tipe, dan parameter dari
fungsi keanggotaan (membership function)
beserta aturan-aturannya memegang peranan
yang sangat penting dalam mencapai
performansi yang diinginkan, namun seringkali
sulit untuk dilakukan. Bahkan selama ini, hanya
berdasarkan trial and error, padahal hal ini
yang sangat penting dalam tuning sistem fuzzy.
Model ANFIS dari fuzzy Sugeno
(sebagaimana disajikan pada Gambar 3) yang
diambil dari jaringan yang adaptif untuk
kerangka pembelajaran, dan adaptasi. Dengan
mempertimbangkan
kesederhanaan,
dan
kemudahan komputasi, maka sistem inferensi
fuzzy yang digunakan adalah sistem fuzzy model
TSK orde satu. Untuk arsitektur ANFIS,
misalkan model Sugeno orde satu dengan dua
masukan dengan dua aturan (rules) serta satu
keluaran dapat dinyatakan dalam bentuk:
Aturan I : Jika (x adalah A1 ) dan (y adalah B1 ),
maka ( f1 p1 x q1 y r1 )
Aturan II : Jika (x adalah A2 ) dan (y adalah
B2 ), maka ( f 2 p2 x q2 y r2 )
Secara umum, struktur jaringannya
mengadaptasi parameter nonlinier pada lapisan
1, dan parameter linier pada lapisan 4.
Keseluruhan arsitektur ANFIS mempunyai lima
lapisan dengan fungsi yang berbeda-beda. OLi
adalah simbol untuk keluaran dari node i dalam
lapisan L. Kelima lapisan pada arsitektur ANFIS
dapat dijelaskan sebagai berikut:
Gambar 3. (a). Mekanisme
Sistem
Inferensi
Fuzzy Model Sugeno
(b). Arsitektur ANFIS TSK orde satu
dengan dua masukan dan satu
keluaran[2]
Lapisan 1:
Semua node dalam lapisan ini adalah
adaptive nodes, i merupakan derajat
keanggotaan dari masukan terhadap fungsi
keanggotaan fuzzy (membership function = MF)
yang dinyatakan dalam node:
O1,i Ai ( x) i=1,2
(2)
O1,i Bi 2 ( y ) i=3,4
Ai , dan Bi merupakan himpunan fuzzy dalam
bentuk parameter. Misal MF adalah fungsi
generalized bell (gbell) dengan persamaan
1
Ai ( x)
, i=1,2
(3)
bi
x c 2
i
1
ai
dengan: ai , bi , dan ci merupakan parameter
dari MF. Semua nilai dari parameter-parameter
di lapisan ini akan berubah sesuai dengan
fungsi gbell yang dipilih sebagai fungsi
keanggotaan untuk setiap masukan himpunan
fuzzy-nya. Parameter di lapisan ini disebut
sebagai parameter premise.
Lapisan 2:
Node-node dalam lapisan ini merupakan
node tetap (tidak adaptif). Keluaran dari node
ini adalah:
O2,i wi Ai ( x) Bi ( y ) i=1,2
(4)
Keluaran dari setiap node dalam lapisan ini
menyatakan firing strength dari aturannya.
Lapisan 3:
Node-node dalam lapisan ini juga
merupakan fixed node. Node ini merupakan
normalisasi dari lapisan sebelumnya. Keluaran
dari lapisan ini dinyatakan dalam persamaan:
149
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
O3,i wi
wi
w1 w2
i=1,2
(5)
Lapisan 4:
Semua node dalam lapisan ini merupakan
adaptive node. Keluaran dari setiap node
merupakan perkalian dari normalisasi firing
strength-nya dengan polinomial orde satu:
O4,i wi fi wi pi x qi y ri ,i=1,2 (6)
dengan: pi , qi , dan ri merupakan parameter
linier atau parameter konsekuen dari aturan
fuzzy (consequent parameters).
Lapisan 5:
Lapisan ini hanya terdiri dari satu node.
Keluaran dari lapisan ini adalah:
wi f i
i=1,2
(7)
Oi ,5 f
wi f i i
wi
i
i
Adapun ringkasan keseluruhan tahap proses
pembelajaran hybrid dapat disajikan pada Tabel
2.
Tabel 2. Proses Pembelajaran Hybrid pada ANFIS
Keterangan
Arah maju
Arah mundur
Parameter
Tetap
Gradient
premis
descent
Parameter
Least Square
Tetap
konsekuen
Estimate
Sinyal
Keluaran
Sinyal error
node
Pengontrol Neuro Fuzzy[3,4]
Secara umum sistem kontrol time
invariant dapat dinyatakan dalam bentuk
persamaan :
x (t ) f ( x (t ), u (t )) (dinamic plant) (8)
(pengontrol)
u (t ) g ( x (t ))
Tujuan dari pengontrol adalah untuk
menentukan fungsi pengontrol g(.) sedemikian
sehingga state plant x(t) mengikuti sedekat
mungkin trayektori x d (t ) yang diinginkan.
Adapun blok diagram sistem kontrol umpan
balik sistem waktu diskrit dapat disajikan pada
Gambar 4 atau dapat dinyatakan dalam bentuk
persamaan:
(9)
x ( k 1) f ( x (k ), u (k )) (plant)
(pengontrol)
u ( k ) g ( x ( k ))
dengan:
x( k 1) dan x(k ) berturut-turut merupakan
keluaran state pada saat k 1 dan k dan
u (k ) sinyal kontrol pada k .
150
Permasalahan utama dalam merancang
sistem kontrol adalah menentukan aksi kontrol
u sebagai fungsi dari keluaran plant x untuk
mencapai set point yang diinginkan. Ada
beberapa metode perancangan pengontrol yang
berhubungan dengan pengontrol neuro fuzzy,
dan salah satu di antaranya yang digunakan
dalam penelitian ini adalah metode neuro fuzzy
dengan dinamika inverse sebagai pengontrol
(invers control).
Gambar 4. Blok Diagram Sistem Kontrol Umpan
Balik Sistem Waktu Diskrit
Tahap pembelajaran inverse plant untuk
merancang pengontrol berbasis neuro fuzzy
dilakukan dalam dua tahap secara bersamaan,
sehingga sesuai dengan metode adaptif kontrol
klasik. Tahap pertama merupakan tahap
pembelajaran, di mana teknik secara on line
maupun off line dilakukan untuk memodelkan
dinamika inverse dari plant. Selanjutnya, model
neuro fuzzy yang diperoleh merepresentasikan
dinamika inverse dari plant, kemudian
digunakan untuk membangkitkan aksi kontrol
dalam tahap aplikasi. Adapun blok diagram
untuk metode invers control ini dapat disajikan
pada Gambar 5. Misalkan plant berorde n dapat
dinyatakan dalam bentuk persamaan (9).
Misalkan dipilih pada state k 2 , maka
berlaku bahwa:
(10)
x( k 2) f ( x (k 1), u ( k 1))
f ( x ( k ), u ( k ), u (k 1))
Secara umum untuk plant berorde n
dinyatakan dalam bentuk:
x(k n) F ( x(k ),U )
dapat
(11)
(b)
Gambar 5. Blok Diagram Metode Inverse Kontrol
(a). Tahap Pembelajaran, (b). Tahap Aplikasi
Yuliati: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT ...
dengan: n adalah orde plant, F sebagai fungsi
komposit berulang, dan U merupakan aksi
kontrol pada k sampai dengan k n 1 .
Dengan asumsi bahwa plant bersifat dinamika
inverse, U dapat dinyatakan sebagai:
U G ( x(k ), x(k n))
(12)
dengan G merupakan dinamika inverse plant.
Proses pembelajaran neuro fuzzy menggunakan
3n data input x(k ) T , x(k 1) T sesuai data
pelatihan yaitu keluaran plant pada k dan k+1
sesuai data pelatihan dan n keluaran data U T
sesuai data pelatihan. Selanjutnya, selisih antara
aksi kontrol sebenarnya dengan aksi kontrol
prediksi digunakan untuk menala parameter
premis, dan konsekuen pada ANFIS sehingga
diperoleh nilai error yang minimum. Setelah
proses pembelajaran, maka kaidah aturan
berdasarkan sistem neuro fuzzy akan mengikuti
kaidah aturan model Takagi Sugeno Kang order
satu yaitu:
Jika x(k ) adalah A l dan x( k 1) adalah B l ,
maka u l a l x(k ) b l x(k 1) c l
dengan l 1,2,3,..., M ,
A l , B l merupakan
himpunan fuzzy, dan a l , b l , c l parameterparameter konsekuen. Jika pengontrol neuro
fuzzy sesuai dengan dinamika inverse G, maka
apabila diberikan masukan x (k ), dan set point
x d (k n) , pengontrol akan membangkitkan
Uˆ Gˆ x ( k ), x d ( k n)
aksi kontrol berupa:
(13)
Setelah langkah ke n, maka sekuens kontrol
akan membuat nilai keluaran plant x(k )
menyamai nilai set point x d (k n) yang telah
ditentukan.
METODE PENELITIAN
Pelaksanaan desain eksperimen ini
menyangkut industri proses yang sangat penting
di industri pupuk pada PT. Petrokimia Gresik
yang bertujuan meningkatkan performansi, dan
unjuk kerja dari proses Waste Heat Boiler
(WHB). Penelitian ini dilaksanakan dengan
pendekatan simulasi yang divalidasi oleh data
pengukuran nyata, dan tidak langsung
berhubungan dengan proses yang sedang
berjalan untuk menghindari resiko yang sangat
mahal, baik dari segi keamanan, keselamatan,
maupun biaya. Adapun pendekatan penelitian
yang dimaksud adalah:
1. Sebagai studi pendahuluan dalam penelitian
ini adalah telah dilakukan survei informasi
untuk memperoleh landasan teori dan
eksperimen baik melalui studi pustaka
maupun survei langsung ke lapangan.
Melalui studi pustaka ini akan diperoleh
informasi tentang mekanisme serta model
proses yang menjadi subyek penelitian,
yaitu steam drum waste heat boiler;
2. Perancangan eksperimen dan pengambilan
data sebagai awal rangkaian proses
identifikasi. Eksperimen, dan pengambilan
data dilakukan di sistem WHB selama
kurang lebih satu bulan. Langkah-langkah
persiapan yang telah dilakukan baik
persiapan bahan maupun instrumentasi
dalam penelitian ini adalah:
a. Kalibrasi empat buah instrument level,
suhu, aliran, dan tekanan sebagai
instrumentasi
penelitian
dalam
mendapatkan
variable-variabel
pengukuran yang diperlukan untuk
memperoleh data baik masukan
maupun gangguan terukur, dan tak
terukur yang mempengaruhi keluaran
system;
b. Melakukan simulasi gangguan operasi
boiler dengan bantuan operator pabrik
untuk mendapatkan data percobaan;
c. Pengambilan data sistem WHB yang
diambil secara langsung dari alat dan
software Plant Historical Data (PHD);
Pelaksanaan desain eksperimen di sistem
WHB PT. Petrokimia Gresik dilakukan
dengan
sangat
hati-hati
dengan
mempertimbangkan banyak faktor seperti:
keamanan (safety), keselamatan, biaya,
ketersediaan alat ukur di setiap variabel
pengukuran di plant, keterbatasan, dan
kendala pada daerah operasi pengukuran,
serta interaksi setiap variabel masukan, dan
gangguan yang akan mempengaruhi
variabel keluaran sistem. Hal ini
dimaksudkan agar data yang akan
digunakan memiliki hubungan secara
langsung baik masukan, maupun gangguan
terukur,
dan
tak
terukur
yang
mempengaruhi
keluaran
sistem.
Perancangan eksperimen juga dapat
menggambarkan bagaimana interaksi loop
kontrol secara riil di lapangan. Hal lain
yang harus diperhatikan dalam membangun
blok sistem ekperimen, dan pengambilan
data di plant adalah bagaimana hubungan
loop kontrol tersebut terhadap variabel–
variabel
dari
sistem
yang
akan
diidentifikasi. Sistem WHB di PT.
Petrokimia Gresik merupakan sistem
dengan siklus loop tertutup, di mana semua
151
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
3.
4.
5.
6.
proses dikontrol pada nilai yang telah
ditetapkan;
Membangun
model
sistem
WHB
berdasarkan data yang diperoleh baik dari
studi pustaka maupun dari data pengukuran
di lapangan melalui pendekatan model
NARX berbasis ANFIS;
Berdasarkan hasil pemodelan sistem yang
telah diperoleh, maka akan dirancang
sistem pengontrolan level air berbasis
ANFIS;
Eksperimen,
dan
simulasi
sistem
pengontrolan level yang telah dibangun
serta melakukan validasi dengan data
pengukuran di lapangan;
Analisis hasil eksperimen dan simulasi.
HASIL PENELITIAN DAN
PEMBAHASAN
Struktur Model ANFIS yang Digunakan
dalam Identifikasi Sistem
Istilah model dapat diartikan sebagai cara
untuk merepresentasikan hubungan dari
masing-masing variabel seperti: variabel
masukan (input), dan variabel keluaran (output)
dari suatu sistem. Hal ini dapat juga diartikan
sebagai cara untuk memprediksi keluaran dari
sistem sebenarnya dari informasi masukan
keluaran sebelumnya. Model dinamik sangat
penting dalam merepresentasikan suatu sistem
di mana eksperimen secara langsung sangatlah
mahal, berbahaya, sulit dilakukan, dan sering
menjadi tidak mungkin dikarenakan dapat
mengganggu jalannya operasi di lapangan. Oleh
sebab itu muncul setidaknya dua metode
pendekatan yang digunakan untuk membangun
model persamaan sistem dinamik, yaitu
pemodelan secara fisis/teoritis di mana
melibatkan penggunaan persamaan-persamaan
dasar: fisika, kimia, matematika, mekanika, dan
sebagainya
yang
seringkali
mengalami
kesulitan dalam hal kompleksitas, dan
keakuratan yang juga akan menyebabkan
kesulitan dalam hal perancangan. Pendekatan
yang kedua adalah pendekatan secara
eksperimental/identifikasi berdasarkan pada
data pengukuran untuk mendapatkan model
dinamik suatu sistem. Di samping itu, juga
digunakan untuk menjelaskan penentuan
struktur model dari pengumpulan data proses
secara empiris.
Seperti yang telah dijelaskan sebelumnya
bahwa model Nonlinear Auto Regressive with
eXogeneous input (NARX) seringkali digunakan
dalam banyak metode sistem identifikasi untuk
dinamika sistem non linier di mana bentuk
152
umumnya dapat dilihat pada persamaan (1).
Dilakukan pendekatan sistem multi input single
output (MISO) dalam memodelkan level di HP
drum di mana sebagai pengidentifikasi
(identifier) adalah konfigurasi dari tiga
masukan satu keluaran sistem sebagaimana
disajikan pada Gambar 6.
x1(k-1)
x2(k-1)
HP Steam
Drum
y(k)
y(k-1)
Gambar 6. Sistem MISO Dengan Tiga Masukan
Satu Keluaran
Variabel x1 , dan x2 merupakan variabel
masukan proses dari sistem HP drum masingmasing berupa flow BFW, dan steam product
flow. Variabel y (k ), dan y ( k 1) masingmasing merupakan variabel keluaran proses
berupa level water di HP drum pada saat k dan
k-1. Data-data variabel proses tersebut diambil
dari Plant Historical Data dari DCS di PT
Petrokimia Gresik di mana secara detil dapat
disajikan pada Tabel 3.
Tabel 3. Variabel Masukan dan Keluaran
Proses
Variabel
Tag
Keterangan
number
FC.22220
Flow BFW
x (k 1)
1
x2 (k 1)
y ( k 1)
FC.22221
Steam Product Flow
LC.22220
y (k )
LC.22220
Level air di HP
drum pada saat k-1
sebagai masukan
model
Level air di HP
drum pada saat k
sebagai keluaran
model
Berdasarkan hal tersebut di atas, maka
sebagai vektor masukan pengidentifikasi dari
keluaran model adalah:
x x1 (k 1), x 2 (k 1), y (k 1)
(14)
Pendekatan model Nonlinear Auto
Regressive with eXogeneous input (NARX)
dalam hal ini diasumsikan bahwa proses plant
berorde satu (n=1) dengan tidak ada estimasi
terhadap waktu tunda, sehingga model proses
dapat dinyatakan dalam bentuk persamaan
sebagai berikut:
Yuliati: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT ...
y ( k ) Fˆ y ( k 1), x1 ( k 1), x 2 ( k 1) e( k )
(15)
Adapun ANFIS sebagai estimator model
yang digunakan untuk pemodelan level air di
HP drum dapat disajikan pada Gambar 7.
g. Konstanta pembelajaran: 0,1;
h. Step size decrease rate: 0,9;
i. Step size increase rate : 1,1.
Hasil simulasi pemodelan dengan
menggunakan 500 data pertama sebagai data
pelatihan diperoleh bahwa keseluruhan struktur
model ANFIS dengan tiga masukan satu
keluaran sebagaimana disajikan pada Gambar 8
adalah bahwa jumlah node adalah 34, total
jumlah parameter adalah 50 terbagi dalam
parameter linier (konsekuen), dan non linier
(premis) berturut turut berjumlah 32, dan 18,
dengan banyaknya aturan fuzzy adalah 8.
Adapun hasil identifikasi disajikan pada
Gambar 9. Besarnya RMSE pada akhir tahap
pelatihan (epoch ke 50) adalah 0,0325.
Gambar 7. ANFIS Sebagai Estimator Model
Dari Gambar 7 dapat dilihat bahwa terdapat 3
masukan dan 1 keluaran pada model neuro
fuzzy, sehingga keseluruhan struktur model
yang digunakan dapat disajikan pada Gambar 8.
Gambar 9. Hasil Identifikasi Model Keluaran
ANFIS
Gambar 8. Struktur Model ANFIS Dengan Tiga
Masukan dan Satu Keluaran
Simulasi Pemodelan Sistem HP Steam Drum
Simulasi pemodelan (modelling) dengan
pendekatan ANFIS dimaksudkan untuk
menganalisis, dan mengevaluasi metode
pendekatan berbasis neuro fuzzy tipe TSK orde
satu. Beberapa parameter awal yang telah
ditentukan terlebih dahulu untuk prosedur
pemodelan berbasis neuro fuzzy antara lain:
a. Sistem inferensi fuzzy: TSK orde Satu;
b. Jumlah epoch: 50;
c. Jumlah fungsi keanggotaan setiap masukan
: 2;
d. Fungsi keanggotaan yang digunakan: gbell;
e. Jumlah data pelatihan: 500;
f. Jumlah data uji: 500;
Perancangan dan Simulasi Pengontrol Level
Pengontrol level merupakan salah satu
bagian loop kontrol dalam konfigurasi loop
kontrol boiler untuk menjaga level air pada
drum dengan cara mengontrol laju aliran boiler
feed water (BFW). Konfigurasi rancangan
pengontrol masih menggunakan skema seperti
yang sudah terpasang, yakni 3/1 element level
control, kecuali pengontrolnya menggunakan
pengontrol ANFIS.
Adapun blok diagram dari pengontrol
ANFIS dapat disajikan pada Gambar 10.
Gambar 10. Pengontrol ANFIS
153
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
Pada umumnya, sistem kontrol 3 elemen
konvensional untuk pelatihan, dan simulasi dari
pengontrol level air adalah seperti yang
disajikan pada Gambar 11, di mana skema
sistem kontrol yang digunakan adalah skema
feedforward untuk steam flow.
Tabel 4. Variabel Masukan dan Keluaran Model
Dinamika Invers
Variabel
Tag Number
Keterangan
LC22220.PV
% level HP steam
y(k )
drum
LC22220.PV
% level HP steam
y ( k 1)
drum (k-1)
FC22220.PV
Flow BFW (k)
x(k )
x1 ( k 1)
Gambar 11. Skema Umum Sistem Kontrol Tiga
Elemen
Dengan demikian, pengontrol neuro fuzzy
dengan metode invers learning control dengan
mengacu pada blok diagram pada Gambar 11
dapat disajikan pada Gambar 12.
Gambar 12. Proses Pembelajaran Sistem Neuro
Fuzzy Untuk Pemodelan Invers Dinamika dari Plant
Permasalahan utama dalam perancangan
pengontrol
neuro
fuzzy
adalah
akan
ditentukannya aksi kontrol u sebagai fungsi dari
keluaran plant x untuk mencapai set point yang
diinginkan. Dalam penelitian ini akan
digunakan metode neuro fuzzy dengan dinamika
inverse sebagai pengontrol (invers control).
Lebih lanjut, untuk membangun dan
mensimulasikan pengontrol level air berbasis
neuro fuzzy harus disesuaikan dengan loop
kontrol yang ada, sehingga dalam hal ini
terdapat 3 masukan, dan 1 keluaran dalam
invers model yang diberikan, dan dijelaskan
pada Gambar 13, dan Tabel 4.
Gambar 13. Pemodelan Invers Learning Control
(Tiga Variabel Masukan dan Satu Variabel
Keluaran)
154
FC22220.PV
Flow BFW (k+1)
Metode pemodelan yang digunakan
adalah metode ANFIS seperti pemodelan level
air pada HP steam drum dengan tiga masukan
dan satu keluaran pada struktur model ANFISnya. Beberapa parameter yang telah ditentukan
terlebih dahulu untuk prosedur invers model
dinamik berbasis neuro fuzzy antara lain:
a. Sistem inferensi fuzzy: TSK orde Satu;
b. Jumlah epoch: 50;
c. Jumlah fungsi keanggotaan setiap masukan
: 3;
d. Fungsi keanggotaan yang digunakan: gbell;
e. Jumlah data pelatihan: 500;
f. Jumlah data uji: 500;
g. Konstanta pembelajaran: 0,1;
h. Step size decrease rate: 0,9;
i. Step size increase rate : 1,1.
Hasil model dinamika invers sampai
dengan iterasi ke-50 berturut-turut dapat
disajikan pada Gambar 14.
Gambar 14. Hasil Model Dinamika Invers
Dari hasil model dinamika invers pada
Gambar 14 menunjukkan bahwa nilai RMSE
sampai dengan epoch ke-50 sebesar 0,1857
yang nilainya relatif kecil, sehingga model
dinamika invers dari plant dapat diterima
sebagai model invers untuk keperluan
perancangan pengontrol level air pada sistem
WHB.
Yuliati: PERANCANGAN SISTEM PENGONTROLAN LEVEL PADA STEAM DRUM WASTE HEAT ...
Hasil Simulasi dan Analisis
Berdasarkan pada proses pembelajaran
yang diimplementasikan secara off-line dari
pasangan data masukan, dan keluaran dari
plant, maka model dinamika invers dari plant
tersebut telah diperoleh. Tujuan dari pengontrol
dalam hal ini adalah agar dapat mengikuti set
point tracking, dan menyelidiki lebih lanjut
sifat-sifatnya apabila
terjadi
perubahan
dinamika plant. Simulasi dibedakan dalam dua
kondisi yaitu pada kedudukan set point level air
konstan sebesar 75% dengan waktu cacah 1
menit, serta pada saat set point diubah pada
kondisi dari 50 menuju 75%. Adapun blok
diagram aplikasi pengontrol neuro fuzzy dengan
dinamika invers plant disajikan pada Gambar
15.
Gambar 15. Pengontrol Neuro Fuzzy Dengan
Metode Dinamika Invers
Hasil Simulasi Pada Saat Tidak Terjadi
Perubahan Set Point
Hasil simulasi dengan menggunakan
algoritma kontrol ANFIS untuk kondisi set
point tetap pada kondisi 75% level air disajikan
pada Gambar 16.
Gambar 16. Hasil Simulasi Pada Set Point 75%
Konstan
Dari Gambar 16 dapat dianalisis bahwa
pengontrol ANFIS dapat bekerja dengan baik
apabila diberikan set point konstan yaitu pada
kondisi 75% level air. Hal ini disajikan pada
respons transiennya di mana overshoot yang
timbul tidak terlalu tinggi yaitu sekitar 13%
serta waktu untuk mencapai kondisi steady
state tidak terlalu panjang yaitu 7 menit.
Hasil Simulasi Apabila Terjadi Perubahan
Set Point
Hasil simulasi dengan menggunakan
algoritma kontrol ANFIS untuk kondisi set
point berubah dari 70 ke nilai 75% level air
disajikan pada Gambar 17.
Gambar 17. Hasil Simulasi Perubahan Set Point
dari 70 ke 75% Level Air
Berdasarkan hasil simulasi keluaran
sinyal kontrol ANFIS untuk 500 data pertama
yang disajikan pada Gambar 17, maka
pengontrol ANFIS dapat mengikuti perubahan
set point yang diberikan, walaupun masih
terdapat error di titik balik grafik. Hal ini
disebabkan karena kecepatan kemampuan
pembelajaran, dan adaptasi dari ANFIS. Oleh
karena sifatnya yang cepat belajar, dan adaptif,
maka adaptasi parameter ANFIS pun juga cepat
dalam mengejar set point yaitu sekitar 6 menit
dengan overshoot maksimum sebesar 7,7%.
Adaptasi parameter yang terus berubah dapat
dilihat dari dinamika sinyal kontrol dari
pengontrol ANFIS.
KESIMPULAN
Berdasarkan
hasil
penelitian
dan
pembahasan berkenaan dengan simulasi, dan
pengujian, maka dapat diambil kesimpulan
sebagai berikut:
1. Pemodelan sistem berbasis pada neuro
fuzzy dengan 3 masukan, 1 keluaran serta
model dinamika invers plant pada HP
steam drum dengan 3 masukan, 1 keluaran
telah menunjukkan hasil yang cukup baik.
Hal ini disajikan dari nilai RMSE masingmasing untuk setiap validasi model
berturut-turut sebesar 0,0487, dan 0,1857;
2. Performansi pengontrol neuro fuzzy dalam
kecepatan beradaptasi, dan kemampuan
belajar cukup baik dalam mengejar set
point. Hal ini disajikan dengan lamanya
waktu mengikuti set point pada dua kondisi
yaitu apabila set point tetap, dan apabila
terjadi perubahan set point, di mana waktu
155
WIDYA TEKNIK Vol. 9, No. 2, 2010 (145-156)
untuk mencapai kondisi steady state-nya
berturut-turut sekitar 7 dan 6 menit dengan
maksimum overshoot berturut-turut sebesar
13, dan 7,7%.
DAFTAR PUSTAKA
[1] Standard Fasel Lantjes, Waste Heat Boiler,
Hlm. 1-20, PT. Petrokimia, Gresik, 1992
[2] Jang, J. S. R., Sun, C. T., dan Mizutani,
E., Neuro – Fuzzy and Soft Computing: A
Computational Approach to Learning and
Machine
Intelligent,
Prentice-Hall,
International Edition, New Jersey, 1997
[3] Jan, J. R. dan Sun, C. T., Neuro Fuzzy
Modelling and Control, Vol. 83, No. 3,
156
Hlm. 1-29, The Proceeding of the IEEE
International
Conference on Control
Application, 2005
[4] Nazaruddin, Y. Y., Joko W, dan
Hadisupadmo, S. A., Inverse Learning
Control Using Neuro Fuzzy Approach for a
Process
Mini
Plant,
International
Conference on Physics and Control,
Moskow, 2003
[5] Sudarto, Identifikasi Nonlinier Plant
Amoniak Menggunakan Metoda Neuro
Fuzzy dan Wavenet, Hlm. 3-50, Tesis
Magister, Institut Teknologi Bandung,
Bandung, 2004